論文の概要: Joint Variational Autoencoders for Recommendation with Implicit Feedback

• arxiv url: http://arxiv.org/abs/2008.07577v1
• Date: Mon, 17 Aug 2020 19:06:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:35:49.712625
• Title: Joint Variational Autoencoders for Recommendation with Implicit Feedback
• Title（参考訳）: 暗黙的フィードバックによるリコメンデーションのためのジョイント変分オートエンコーダ
• Authors: Bahare Askari, Jaroslaw Szlichta, Amirali Salehi-Abari
• Abstract要約: 暗黙的なフィードバックを伴うトップkレコメンデーションのためのジョイント変分オートエンコーダ(JoVA)を導入する。 実験の結果,JoVA-Hingeは最先端の協調フィルタリング手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 7.880059199461512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variational Autoencoders (VAEs) have recently shown promising performance in collaborative filtering with implicit feedback. These existing recommendation models learn user representations to reconstruct or predict user preferences. We introduce joint variational autoencoders (JoVA), an ensemble of two VAEs, in which VAEs jointly learn both user and item representations and collectively reconstruct and predict user preferences. This design allows JoVA to capture user-user and item-item correlations simultaneously. By extending the objective function of JoVA with a hinge-based pairwise loss function (JoVA-Hinge), we further specialize it for top-k recommendation with implicit feedback. Our extensive experiments on several real-world datasets show that JoVA-Hinge outperforms a broad set of state-of-the-art collaborative filtering methods, under a variety of commonly-used metrics. Our empirical results also confirm the outperformance of JoVA-Hinge over existing methods for cold-start users with a limited number of training data.
• Abstract（参考訳）: 変分オートエンコーダ(VAE)は最近、暗黙のフィードバックを伴う協調フィルタリングにおいて有望な性能を示した。 これらの既存のレコメンデーションモデルは、ユーザの好みを再構築または予測するためにユーザ表現を学ぶ。 本稿では,ユーザとアイテムの両方の表現を共同で学習し,ユーザの好みを総合的に再構築し,予測する,2つのVAEのアンサンブルであるJoVAを紹介する。 この設計により、JoVAはユーザとアイテムの相関を同時にキャプチャできる。 ヒンジベースのペアワイズ損失関数(JoVA-Hinge)でJoVAの目的関数を拡張することにより、暗黙のフィードバックでトップkレコメンデーションに特化する。 いくつかの実世界のデータセットに対する広範な実験により、JoVA-Hingeは、様々な一般的なメトリクスの下で、最先端の協調フィルタリング手法の幅広いセットより優れていることが示された。 また,本実験の結果から,トレーニングデータ数に制限のあるコールドスタートユーザに対して,JoVA-Hingeの有効性を確認した。

関連論文リスト

• GUIDE-VAE: Advancing Data Generation with User Information and Pattern Dictionaries [0.0]
  本稿では,ユーザ埋め込みを利用してユーザ誘導データを生成する条件付き生成モデルGUIDE-VAEを紹介する。 提案したGUIDE-VAEは,ユーザ間のデータ不均衡を特徴とするマルチユーザスマートメーターデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-11-06T14:11:46Z)
• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation [58.02630582309427]
  本稿では,コントラスト学習を変分オートエンコーダの枠組みに組み込むことを提案する。 ContrastELBOは,従来のシングルビューELBOを2ビューケースに拡張した,新しいトレーニング目標である。 また、コントラストELBOの具体化として、コントラスト正規化を備えた2分岐VAEモデルであるContrastVAEを提案する。
  論文  参考訳（メタデータ） (2022-08-27T03:35:00Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Dual-embedding based Neural Collaborative Filtering for Recommender Systems [0.7949579654743338]
  本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
  論文  参考訳（メタデータ） (2021-02-04T11:32:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。